人脸识别技术综述

人脸识别技术的研究在近几年得到了高度重视,已经成为图像分析和理解中最成功的应用之一。文中对人脸识别技术的常用方法如：肤色模型方法、基于特征脸(Eiganface)的PCA方法、人工神经网络(ANN)的方法、以及基于局部Haar特征的方法等,进行了分类总结。在分析了影响人脸识别效果的两个主要因素：光照影响和姿态影响后,指出利用先验知识,综合多种分类方法是人脸识别研究的趋势。     

三维人脸识别研究综述

近二十多年来,虽然基于图像的人脸识别已取得很大进展,并可在约束环境下获得很好的识别性能,但仍受光照、姿态、表情等变化的影响很大,其本质原因在于图像是三维物体在二维空间的简约投影.因此,利用脸部曲面的显式三维表达进行人脸识别正成为近几年学术界的研究热点.文中分析了三维人脸识别的产生动机、概念与基本过程;根据特征形式,将三维人脸识别算法分为基于空域直接匹配、基于局部特征匹配、基于整体特征匹配三大类进行综述;对二维和三维的双模态融合方法进行分类阐述;列出了部分代表性的三维人脸数据库;对部分方法进行实验比较,并分析了方法有效性的原因;总结了目前三维人脸识别技术的优势与困难,并探讨了未来的研究趋势.     

基于视频的人脸识别研究进展

近年来基于视频的人脸识别已成为人脸识别领域最为活跃的研究方向之一.如何充分利用视频中人脸的时间和空间信息克服视频中人脸分辨率低,尺度变化范围大,光照、姿态变化比较剧烈以及时常发生遮挡等困难是研究的重点.文中对近期(主要近5年)基于视频的人脸识别研究进行了详细的介绍和讨论,在对相关方法分类的基础上,分析了各类方法中典型技术的优缺点,并概况介绍了常用的视频人脸数据库和实验结果,最后展望了基于视频人脸识别未来的发展方向和趋势.     

人脸识别研究的新进展及趋势

简要回顾了人脸识别技术的研究背景及发展历程,总结了近三四年人脸识别方法的研究进展,根据三维人脸重构方法的数据来源不同,将其分为基于静态图像和视频序列的三维重构技术.重点对目前多特征和多模态识别技术进行了分类阐述,分析了一些有代表性的算法并对其识别结果进行了比较.最后,总结了人脸识别技术现存的研究难点,并探讨了其未来的发展方向.     

红外图像人脸识别方法研究进展

介绍了红外图像人脸识别应用前景和困难所在,阐述了红外图像人脸识别的特征,报告了红外图像人脸识别近年来的研究进展,综述了红外图像人脸识别的方法和技术,介绍了基于红外频谱的人脸和伪装检测方法、基于热红外成像的人脸识别方法、基于支撑向量机的红外图像人脸识别方法,基于线性辨别分析的红外图像人脸识别新方法,并进行了简单的分析和比较.最后探讨了红外图像人脸识别领域的发展与研究方向.     

基于ICA和NFL与NN联合分类器的人脸识别

提出了一种基于最近邻特征线(NFL)与最近邻(NN)联合分类器进行人脸识别的方法。首先对人脸图像用主成分分析(PCA)降维,然后用快速独立变量分析(FastICA)提取独立基,分类时采用最近邻特征线和最近邻分类器的联合分类器进行分类。该方法综合了NFL和NN的优势,充分利用了同类之间相似,距离最短的性质。实验表明此方法提高了人脸识别率,是一种可行的人脸识别方法。     

一种新的人脸识别算法

针对基于SVM的人脸识别算法运算量较复杂的问题,提出了一种基于RS-SVM的人脸识别算法.进行基于几何特征的特征提取,在人脸图像上标记24个特征点形成12个测量距离,作为脸部特征.为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用了粗糙集理论(Rough Set)的属性约简算法进行特征选择,有效降低特征维数.然后用支持向量机(SVM)进行分类.实验证明,该方法可以有效降低SVM的运算复杂度,并具有良好的识别效果.     

基于小波包的新LDB人脸识别方法

研究人脸特征优化识别问题,图像信息中存在不同噪声和不同人脸特征.通过特征提取识别,获得不同人脸特征.针对传统人脸识别方法的识别率受光照、旋转等约束条件影响大的缺点,为了提高识别率,提出了一种根据小波包变换和改进的LDB(Local Discriminant Basis)方法相结合的人脸识别方法.算法首先利用小波包对人脸图像进行分解,再采用改进的LDB方法获取最佳分类特征,最后利用Euclidean距离函数进行分类识别.在人脸库Feret进行实验.结果表明,新算法减少了计算复杂度,提高了识别率,为人脸识别提供了依据.     

基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

基于Gabor小波与共同向量的人脸识别方法

基于子空间的人脸识别方法易受光照、姿态和表情变化的影响,针对这一问题,提出一种基于Gabor滤波器与共同向量(CV)方法相结合的人脸识别方法.Gabor滤波器因其良好的方向与尺度选择性,能很好地提取图像局部特征,对光照、姿态、表情变化有一定的健壮性;共同向量方法是一种线性子空间分类方法,利用提取的同类样本的共同属性(共同分量)对测试样本进行分类,在训练样本较少的情况下能够取得较好的分类效果.通过在ORL与Yale数据库上的实验表明,提出的方法具有较好的识别效果.